遥感图像的检测技术常用于地质探测、海洋监测、城乡规划等实际场景中。遥感图像存在分辨率高、背景信息复杂、目标尺寸小且方向任意等特点,这些特点成为检测时的难题。随着计算机性能不断提高和深度学习的广泛应用,使用卷积神经网络可提升图像目标检测性能,对高质量遥感图像检测研究具有重要研究意义。因此,本文从深度学习目标检测方向出发,针对上述问题提出基于RDB-YOLOv5的遥感图像目标检测算法。具体工作内容如下:（1）针对遥感图像目标方向任意、水平边界框检测产生重叠和漏检的问题,提出了基于旋转边界框的目标检测方法。首先,在检测任务中引入目标的角度信息,同时结合经典旋转框表示法和环形平滑标签的思想,设计一种改进旋转目标表示法。其次,对原始网络YOLOv5中的模块进行适应性改进,在数据加载器、预测模块以及损失计算中引入角度信息,并采用旋转边框回归准确率来计算倾斜非极大值抑制。最后,构建引入旋转边界框（Rotate bounding box）的R-YOLOv5网络模型。（2）针对遥感图像背景信息及高分辨率导致的噪声干扰、小尺度目标检测精度不高问题,提出了基于注意力机制的多尺度目标检测方法。首先,在骨干网络中添加双注意力机制（Dual attention mechanism）强化目标提取的边界特征。在通道上采用高效通道注意力机制,在空间上采用空间注意力机制并用空洞卷积进行改进,提升注意力机制的提取效果。其次,借鉴双向特征融合网络（Bi FPN）的思想,在特征融合网络加入新的浅层特征和深层特征信息传递路径,强化浅层中目标的位置信息。最后,在预测网络添加针对小像素目标的检测头,提高小目标的检测精度。（3）在公开数据集DOTA中进行多组对比实验和消融实验,与其它SOTA算法进行对比,并利用Flask+VUE对RDB-YOLOv5算法在Web端进行部署。实验结果表明,R-YOLOv5网络模型能有效提升目标检测精度,同时在复杂场景中能有效解决水平框检测带来的重叠以及漏检问题。RDB-YOLOv5算法相比YOLOv5算法在遥感图像多目标检测任务中均值平均精度提升了4.6%,有效解决了背景信息及高分辨率导致的噪声干扰、小尺度目标检测精度不高问题,最终实现对RDB-YOLOv5算法检测结果的可视化展示。